如何从pdf中提取文本和单词坐标？

Question

如何从.NET中的PDF文档中提取文本？另外，如何获得页面上每个单词的坐标？我可以使用iTextSharp或其他组件执行此操作吗？

Answer 1

在Docotic.Pdf library的帮助下，可以轻松完成任务。

下面是一个代码，它将所有带有坐标的单词写入系统控制台，并在每个找到的单词周围绘制矩形。

public static void extractAndDrawWordBounds(string inputFileName, string outputFileName)
{
    using (PdfDocument pdf = new PdfDocument(inputFileName))
    {
        PdfPage page = pdf.Pages[0];
        foreach (PdfTextData data in page.GetWords())
        {
            System.Console.WriteLine(data.ToString());
            page.Canvas.DrawRectangle(data.Bounds);
        }

        pdf.Save(outputFileName);
    }

    System.Diagnostics.Process.Start(outputFileName);
}

除此之外，图书馆可以提取格式化文本（PdfPage.GetTextWithFormatting方法）甚至个别字符（PdfPage.GetChars方法）

免责声明：我是该图书馆的开发人员之一。

Answer 2

尝试PDFLib TET

这是我发现的最好的工具，但它不是免费的（而且它也不便宜）。